本质上可解释的物理信息神经网络用于电池建模和预测

科学领域:

• 电池技术 电池技术
• 人工智能的人工智能
• 电化学工程 电化学工程

背景情况:

• 离子电池对于现代应用至关重要,需要准确的建模和预测才能可靠运行.
• 现有的数据驱动模型存在很大的参数和缺乏可解释性,而基于模型的方法需要广泛的设计参数,并且在计算上很复杂.
• 预测放电结束 (EOD) 对于关键任务操作至关重要.

研究的目的:

• 开发一种新的物理信息神经网络 (PINN) 用于离子电池建模和预后.
• 通过创建可解释和数据有效的模型来解决现有的数据驱动和基于模型的方法的局限性.
• 准确预测放电终点 (EOD) 以提高电池运营决策.

主要方法:

• 提出了一个名为BattNN的物理信息神经网络 (PINN),基于等效电路模型 (ECM) 设计.
• 确保BattNN受到物理规律的约束,其向前传播遵循物理原理,以获得固有的解释性.
• 通过在随机加载配置文件下的放电实验验验证方法,创建一个新的数据集.

主要成果:

• 该BattNN需要最小的训练数据 (约. 30个样本),平均训练时间很短 (21.5秒).
• 在三个数据集中实现高预测准确度,只有很少的可学习参数.
• 与其他神经网络相比,预测平均绝对误差 (MAE) 显著减少: 77.1%,67.4%和75.0%.

结论:

• 拟议的BattNN为离子电池建模和预测提供了一个高度准确,可解释和数据效率高的解决方案.
• 巴特NN有效地弥合了数据驱动和基于模型的方法之间的差距,提高了关键应用程序的电池可靠性.
• 该研究提供了开放访问的数据和代码,促进了电池智能的进一步研究和开发.